新浪财经2026-10-04 00:21云南新浪财经官方账号AI导读82亿美元全股票收购李飞飞创立的World Labs这是AMD史上第二大收购。当李飞飞把自己按在答题席上她押上的是下一个二十年。从ImageNet到空间智能这一次她不再只出题而是坐进硬件话语权。来源图灵人工智能转自AI科技评论仅用于学术分享如有侵权留言删除报道82 亿美元已经为整个世界模型赛道提供了价值锚点。作者丨幸丽娟编辑丨岑 峰82亿美元全股票收购李飞飞创立的 World Labs。这是 AMD 史上第二大收购仅次于 2022 年以约 500 亿美元拿下赛灵思。赛灵思是30多年的老牌芯片公司而 World Labs仅仅成立两年。这一消息发出后圈内人士的第一反应很一致苏姿丰在对标英伟达的 Cosmos 和机器人平台买人、买模型洞察力、买一张通往物理AI时代的入场券。但苏姿丰不是这笔交易里唯一在下注的人。李飞飞也在下注。而且她押上的是自己的下一个二十年。过去二十年她反复在做同一件事在每一个技术拐点先一步定义“什么是值得做的下一件事”。但前两次她只负责出题把答题的活儿交给别人。而这一次她把自己按在了答题席上。01 三次“挖坑”有何不同被誉为“AI 教母”的李飞飞圈内人对她印象最深的或许是她最擅长“挖坑”出题。过去二十年她挖的三个最关键的坑ImageNet、AI 民主化、空间智能。单独看每一个都是对 AI 行业走向的一次精准判断。但摆在一起看她扮演的角色截然不同。▎第一个“坑”纯出题整个深度学习社区答题2007年前后李飞飞在普林斯顿做助理教授。计算机视觉领域当时最要命的问题是泛化——算法在实验室里跑得通出了门就失灵。大多数人选择改进算法李飞飞选了另一条路造数据。这个选择在当时的学术圈几乎没人看好。普林斯顿的资深教授劝她别干说“太有野心了”申请联邦经费被反复拒绝甚至有人批评这个课题是“普林斯顿之耻”。不仅如此她还赌上了自己的学术前途。如果ImageNet失败她很可能拿不到终身教职。这个数据集不解决任何算法问题。它只提出了一个问题我们用什么标准衡量视觉智能这个问题在当时切中要害。没有足够的数据一切算法创新都是“沙上筑塔”。2009年发布时它在学术界几乎没有激起水花。因为ImageNet是一个“纯出题”式的坑得有人愿意填才行。直到2012年Hinton、Krizhevsky 团队的 AlexNet 横扫 ImageNet 挑战赛深度学习革命才被点燃。将AI带向复兴的深度学习时代引爆点是AlexNet。李飞飞成功定义了AI行业的底层基建。但她只是“命题人”无论 ImageNet 多么荣耀填坑的人是拿图灵奖的Hinton、是吃到了第一波红利的 Krizhevsky 和整个深度学习社区。▎第二个“坑”AI民主化她想答题但考卷却不是自己的2016 年底李飞飞用学术休假的方式加入 Google担任谷歌云首席科学家。这一次她挖的这个坑叫“AI 民主化”。让 AI 不再只是大公司的专利成为中小企业、传统行业、学术研究者都能用得上的工具。2017 年 3 月她在 Google Cloud Next 大会上宣布收购 Kaggle同年 AutoML 推向市场Contact Center AI 进入 alpha 测试谷歌 AI 中国中心在北京成立。产品线在铺开方向没有错。但填坑的方式出了问题。因为填坑需要三种权力对产品商业化路径的决策权、对客户合同走向的谈判权、对内部舆论的控制权。但李飞飞在Google Cloud的位置是首席科学家她能影响研究方向却影响不了这台商业机器怎么运转。真正让这个坑塌掉的是“Project Maven”。谷歌参为该项目提供技术服务的消息曝光后内部抗议迅速发酵。而李飞飞在内部讨论邮件中强调的那句“不惜一切代价避免任何提及或暗示 AI”被员工解读为替公司遮掩与军方合作她因此被推到了舆论的风口浪尖。一个以“AI 民主化”为旗帜进入Google Cloud的人最终被一场 AI 伦理舆论风暴推离了那个位置。而在Google Cloud的600多天时间里她出了这道“AI 民主化”的题也想答题但考卷的命题人、监考人、收卷人都不是她。科学家的专业影响力代替不了商业和底层的决策权。定义一个方向和让这个方向真正落地从来就是两件完全不同的事。▎第三个“坑”把自己按在了答题席上2024 年 4 月李飞飞联合斯坦福视觉研究者 Justin Johnson、NeRF 论文一作 Ben Mildenhall、NeRF 后续工作研究者 Christoph Lassner创立 World Labs正式下海创业。这次的命题是她在无数公开演讲里重复过一句话宇宙不是由文字构成的而是由真实事物构成的。LLM 再强大也活在二维屏幕里它不懂遮挡、不懂重力、不懂一个杯子从桌上掉下去会碎。“空间智能”是 AI 的下一个前沿。这是她的第三次“挖坑”但跟前两次不同的是她不再只是出题的人。在正式答题之前先得有人有弹药。World Labs的创始团队本身就是一张王牌。Justin Johnson是斯坦福视觉与学习实验室的研究者在图像描述、视觉推理和生成模型方向有长期积累Ben Mildenhall是NeRF论文一作那篇论文重新定义了三维场景重建的技术路线Christoph Lassner是NeRF后续工作的核心研究者之一。四个人搭出一个从三维重建到生成模型的完整技术班底。学术顾问团队同样重磅斯坦福助理教授、清华姚班出身的吴佳俊研究方向是物理场景理解加州大学伯克利分校教授、马来西亚华裔的吴义仁研究三维视觉。弹药方面公司成立当月便完成种子轮融资a16z 和 Radical Ventures 领投估值约 2 亿美元2026 年 2 月 18 日完成 10 亿美元 C 轮融资Autodesk 领投AMD、英伟达、Emerson Collective、富达等参投投后估值约 54 亿美元。估值从2亿到54亿美元不到两年。融到的钱作用也很明确空间智能的训练成本远高于文本模型需要大规模算力、长时间训练和多产品线并行推进没有足够的弹药这个坑填不动。在储备弹药的同时产品线也在推进。2024 年 12 月首款模型LWM大型世界模型发布能从单张图片生成可交互的 3D 世界。2025 年 11 月首款商用产品 Marble 上线支持从文本、图片、视频、3D 布局生成可探索、可编辑的 3D 场景。2026 年 7 月收购机器人仿真公司 SceniX把世界模型接进机器人强化学习闭环。2026 年 9 月 2 日多模态世界模型 Atlas 发布这个多模态世界模型支持像素级相机控制、稀疏视角 3D 重建、机器人预训练。每一步都是把“世界模型”从演示品变成工程品。每一步对算力的需求形态都不一样从单张 H100 上的实时推理到多模态自回归扩散 Transformer 的大规模训练再到机器人仿真对内存带宽、并行计算、低延迟推理的硬需求。融资在加码产品在推进然而日渐清晰的一个问题是世界模型的研发越往前走越不像一个纯粹的软件问题。李飞飞在多个场合坦言过空间智能对算力的特殊要求模型需要理解三维结构和运动理解物理规律需要非常大的内存、大量并行计算和快速推理。Atlas从1到数十张照片重建三维场景生成最长1分钟、1440p分辨率的视频这些任务涉及大量几何计算和稀疏重建通用GPU架构在做这类任务时效率并不理想。李飞飞选择跟 AMD 走得更近。2026年1月苏姿丰把李飞飞请上CES主题演讲舞台。李飞飞当场展示了Marble在AMD MI325X上优化后提速4倍以上的成绩并透露“已经等不及看它在MI450上继续进步”。然而当模型团队和芯片团队坐在同一张牌桌用真实的训练负载“对话”时一个结构性矛盾暴露出来World Labs 仍然在“提需求”的那一侧AMD 在“满足需求”的那一侧。需求方和供给方之间还隔着议价、优先级排序和跨公司协作的层层博弈。需求一旦被博弈稀释模型团队最想要的东西未必是芯片团队最优先要做的东西。这个时候李飞飞应该已经意识到要把空间智能这道题的答案真正落地这件事迟早得解决。关键是怎么解决02 更高维的解法切入硬件话语权2026年9月28日AMD宣布以约82亿美元全股票收购World Labs。交易完成后李飞飞出任AMD执行副总裁兼首席科学家直接向苏姿丰汇报。这次收购表面上是 AMD 向物理 AI 补课。但如果只看到这个层面就低估了李飞飞自己的谋局。这笔交易里World Labs 的 70 人团队不是被吞并而是以相对独立的研究单元并入 AMD。李飞飞本人直接向苏姿丰汇报 Justin Johnson和Ben Mildenhall继续带队负责模型研发。她不是去做一个被汇报链稀释的副总裁而是带着模型团队直接对接芯片路线图。李飞飞在公开信《To Seek a Newer World》中提到这个决策背后最关键的原因“我们需要扩大研究规模和影响范围并更紧密地与硬件结合。如果缺少专门的硬件研发投入AI的效率和规模都会受到限制。对于我们想要实现的目标而言它也仍将被困在数字世界中。”苏姿丰把这件事也解释得很明白“为下一代 AI 构建计算平台需要深入理解模型如何演进。李飞飞和 World Labs 团队带来了研究领导力和模型专长携手合作我们可以利用这些洞察来开发将驱动下一代 AI 的硬件、软件和系统。”翻译过来就一件事从这一天起World Labs 的模型不再只是向 AMD 提需求的客户而是坐到了写需求的那一侧。这不仅仅是叙事的修辞更是李飞飞对硬件话语权的一次切入。她过去定义的是“什么问题是重要的”。这一次她要定义的是“解决这个问题的工具长什么样”。而“更靠近硬件”就是她给出的一个非常关键的答案。但更靠近硬件不是终点。下一步要考虑的是如何验证这条路走不走得通。03 这一次的评判标准不再是引用量这一次的评判标准与以往任何一次学术成果都不一样。首先是技术闭环。AMD MI450 系列基于 CDNA 5 架构FP4 算力达 40 PFLOPFP8 算力达 20 PFLOP较 MI350 系列翻倍内存从 288GB HBM3e 升级至 432GB HBM4带宽达 19.6 TB/s较前代提升 2.45 倍。MI450 将在 2026 年下半年开始量产交付。如果 Atlas 和 Marble 在 MI450 上的性能提升延续 MI325X 上 4 倍提速的曲线就说明“模型需求反向定义硬件架构”这条路走得通。反过来如果 MI450 只是一次普通的工艺升级没有针对空间智能的稀疏计算、多视角几何、相机控制条件下的视频生成做架构调整那么“模型反向定义硬件”的逻辑就只完成了一半模型团队进了门但没有拿到为它量身定制的芯片。其次是生态牵引。World Labs的模型如果只在AMD自家硬件上跑得好那只是一次定制优化。真正的成功是让其他做空间智能、做具身智能的团队也主动选择AMD的硬件。正如李飞飞在官宣中强调要“继续建设覆盖硬件、软件、模型和数据平台的开放AI体系”这个“开放”二字值得注意。NVIDIA 在 AI 算力市场的统治力很大程度上来源于与全球各大 AI 实验室的深度绑定——从真实训练负载中提前预判下一代模型的特征。AMD 这次选择直接把顶尖模型团队纳入自身体系。但 World Labs 同时承诺维持开放模型与跨平台部署的策略。这意味着 AMD 必须证明把 World Labs 并入体系之后不是收窄生态而是扩大生态。如果其他团队因为 World Labs 的模型在 AMD 上跑得更好而转向 AMD她的这个选择才算真正撬动了竞争格局。如果大家只是看了一场发布会转头继续买英伟达那 82 亿美元买的就只是一张入场券而不是一个生态位。两个客观标准以外还有一个更根本的问题需要回答选择与AMD 联手的李飞飞到底能让空间智能走多远二十年前ImageNet的成功不在于数据集本身有多完美而在于它让整个领域意识到“数据驱动”才是方向并且并推动整个社区围绕这道题不断尝试、竞争、突破最终让深度学习成为 AI 行业的共识。而如今李飞飞自己坐上了答题席。她想建的是一个从硬件到模型、从平台到开发者的开放生态。如果这件事真能落地让空间智能从少数团队的研究方向变成整个行业认真对待的技术议程那才算真正填好了这个坑。04 结束语而在这一切被验证之前AMD 给出的 82 亿美元已经为整个世界模型赛道提供了价值锚点。2023年便 All In 3DGS 的知天下创始人宋宽对此的判断是AMD 的这笔收购让中国的算力公司、云计算厂商乃至更广义的互联网巨头第一次看到了世界模型和空间智能未来的计算市场到底有多大。这个赛道从此有了一个定量的评估参考。价格本身也说明了问题。World Labs 在 2026 年 2 月 C 轮融资后的估值是 54 亿美元。AMD 以 82 亿美元全股票收购比上一轮估值高出约 52%。苏姿丰本人是World Labs的天使投资人这次继续加注而且是溢价成交。这说明市场对 World Labs 的价值判断整体还在往上走。82 亿美元这个数字会被所有正在做世界模型的团队引用也会被所有在看这个赛道的投资人参考。而回看李飞飞这二十年她真正在意的从来都是定义“什么是值得做的下一件事”。二十年前李飞飞在普林斯顿一间办公室里面对同事的质疑和经费的拒绝决定挖一个叫 ImageNet 的坑然后让整个深度学习社区答题。十年前她走进 Google Cloud想挖第二个坑叫“AI 民主化”。她出了题也想答题但考卷的命题人不是她监考人不是她一场 Project Maven 的舆情风暴更是把她推出了考场。二十年后她再次挖了一个叫“空间智能”的坑。这一次出题的人是她答题的人也是她。而接下来评判标准不再只是论文引用量而是即将交付的 MI450 的性能曲线、开发者的采用速度以及“空间智能”能否像“深度学习”一样从一个学者的判断变成一个时代的共识。